支持向量机用于酚类化合物毒性的QSAR研究

从分子结构出发,计算25个酚类化合物的分子连接性指数及分子的价连接性指数,用线性逐步回归方法建立4参数的最佳方程,以此4参数作为输入参数,将留一法(L00)应用到BP网络、径向基函数(RBF)神经网络,及新颖的机器学习方法支持向量机,建立酚类化合物预测黑呆头鱼毒性的QSAR模型.应用非线性SVM法建立的预测模型结果,优于BP网络和RBF网络,SVM、BP、RBF模型预测的相关系数分别为0.959,0.940和0.945,令人满意.     

基于RBF神经网络的高速公路交通状况判别

研究交通高峰车辆拥挤问题,通过准确预测车辆的平均行程速度,进而进行交通状况判别对于有效缓解交通拥挤,提高道路的使用效率.采用BP神经网络存在收敛速度慢、易陷入局部最优解等缺陷,预测效果差,难以应用于高速公路交通状况判别.为了克服BP神经网络这螳缺陷,提出基于BBF神经网络的高速公路交通状况判别方法,RBF神经网络结构简单,收敛速度快,具有很强的非线性函数逼近能力,在高速公路交通状况判别中具有广泛的应用前景.从实验结果可以看出,RBF神经网络比BP神经经网络有着更高平均行程速度预测精度.更适合于高速公路交通状况判别.     

基于RBF神经网络的CPI预测

采用RBF神经网络的结构、特性和训练算法,根据CPI(消费者物价指数)与其影响因素之间存在的映射关系,应用神经网络建立了多因素非线性时间序列预测模型.最后通过仿真实验和研究,把RBF神经网络与传统的BP网络预测结果进行比较,结果证明,该模型的预测精确度更高,结果令人满意.     

基于神经网络的建筑室内温度预测比较研究

自然通风建筑室内温度受气象因素、建筑材料等多种非线性因素的影响,应用机理建模难度较大且计算复杂,很难得到精确的数学模型。利用神经网络不依赖模型和收敛速度快的优势和特性,可以很好地解决该问题。本文对经典的BP(Back Propagation)和RBF(Radial-based Function Method)神经网络建模方法进行对比研究,并对室内温度进行短期的预测。结果表明,在两种神经网络未经过优化的情况下,RBF神经网络在室内温度预测的应用要优于BP神经网络,基于RBF神经网络的室内温度预测方法在工程上有广阔的应用前景。     

基于粒子群优化RBF神经网络原油含水率预测

原油含水率预测对于确定油井水、油层位以及估计原油产量有着非常重要意义。BP神经网络是最近常用的原油含水率预测方法,然而,由于BP神经网络存在容易陷入局部极小值、收敛速度慢等问题,影响了其预测的实用性和准确性,对此,提出基于粒子群优化RBF神经网络(PSO-RBFNN)的原油含水率预测方法,粒子群优化算法用于RBF神经网络参数优化。在分析原油含水率预测的影响因素基础上,建立粒子群优化RBF神经网络的原油含水率预测模型。实验结果表明,在原油含水率预测中,基于粒子群优化RBF神经网络比BP神经网络有着更高的预测精度。     

间歇制浆蒸煮终点预测方法

在分析常用蒸煮模型的基础上,提出了基于神经网络的制浆蒸煮过程建模方法,与BP神经网络相比,RBF神经网络具有最佳逼近能力、收敛速率快和不存在局部极小点等,因而选用了RBF神经网络作为建模工具。在决定RBF神经网络的输入和输出变量时,充分利用了现场可测量的物理量和制浆蒸煮过程知识、其输入变量比常用蒸煮模型增加了硫化度和木片合格率,其输出变量有用实际过程测量所需的终点H因子的对数,这样就减少了RBF神经网络的规模,提高了训练速度。对工厂的实际数据应用表明,该RBF神经网络模型的预测精度高于传统的Hatton模型。     

BP神经网络和模糊时间序列组合预测模型及其应用

为了解决非线性的时间序列预测问题,提出了BP神经网络和模糊时间序列相结合的预测模型.利用BP神经网络自学习和模糊集能够更客观反应实际情况,通过对时间序列差分模糊化建立数学模型,BP神经网络进行训练,最后去模糊化还原实际.将这种预测方法应用到矿产资源镍价格中,取得了较好的效果.     

基于BP神经网络的坦克炮弹外弹道仿真模型

对坦克炮弹外弹道形状进行仿真具有多方面重要意义,目前的一些通用仿真模型常与实际相差太远,或模型复杂、条件苛刻、计算量大,不便实际应用。BP神经网络具有非常强的非线性映射能力,在分类、预测等方面已得到广泛的应用。将BP神经网络应用于坦克炮弹外弹道形状的仿真研究,获得了很好的瞄准角与弹道形状的映射关系。通过对该模型在仿真预测中的应用进行实证分析,结果表明,该方法不仅简单,而且行之有效,较好地解决了通用仿真模型中的一系列问题。     

人工神经网络在成矿预测中的应用

成矿预测正从定性描述性预测向定量成矿预测转变,数理统计方法和技术逐渐引入地学研究。传统统计方法多假想包含地学现象的空间为均质,假定在一个尺度上的地学关系在另一个尺度上也是相同的,而在实际应用中这样的地质条件是不可能存在的。而非线性科学正具有不满足线性叠加原理的性质,因此将非线性科学如人工神经网络与成矿预测相结合是未来矿产资源预测的发展方向。采用Kohonen聚类模型和BP预测模型相结合的方法,对包古图金矿区1 444个矿点的地球化学数据进行聚类分析并建立成矿预测模型,预测正确率为85.2%。该方法性能良好,具有一定的实际意义,为解决成矿预测提供了一种新的手段。     

覆盖框架与主方向神经网络

分析了BP、RBF和ARTMAP等人工神经网络在实现非线性映射方面的共同之处,基于RBF等网络对于人脑功能方面的模拟和仿生模式识别的思想,总结出一种处理这类问题的基本框架。该框架的特点是将问题分解为样本覆盖问题和基于模型的映射拟合问题。在利用该框架研究某个函数集在连续函数空间中的稠密性的基础上,提出了一种新的人工神经网络模型——主方向神经网络(PDNN)。通过与BP网络和RBF网络在函数拟合和混沌时间序列预测方面的对比实验,发现 PDNN具有非常良好的逼近性能和鲁棒性能。     

RS_SVM在装备维修费用预测中的应用

在分析粗糙集和支持向量机原理及各自的优缺点基础上,提出将粗糙集与支持向量机相结合的方法,构建了基于粗糙集与支持向量机（RS-SVM）的预测模型,并将该模型应用于装备维修费用预测。以某装备维修费用为例进行实例验证,计算结果表明,这种方法比其他方法有更好的预测精度。     

基于MPSO-SVM巷道围岩松动圈预测研究

针对目前巷道围岩松动圈确定方法的种种缺陷,提出了一种新的预测方法,采用改进的粒子群算法（MPSO）优化支持向量机（SVM）对巷道围岩松动圈进行预测。在标准PSO中引入压缩因子,实现了算法全局搜索和局部寻优的有效平衡;应用MPSO对SVM的参数C和g进行优化,建立MPSO-SVM回归预测模型;将该预测模型应用于巷道围岩松动圈的预测,将预测性能与PSO-SVM、GA（遗传算法）-SVM、GSM（网格搜索）-SVM模型、BP神经网络进行对比分析。结果表明：该模型具有较强的泛化能力,较高的预测精度,可以对围岩松动圈厚度进行有效预测。     

Generalization performance of support vector machines and neural networks in runoff modeling

Effective one-day lead runoff prediction is one of the significant aspects of successful water resources management in arid region. For instance, reservoir and hydropower systems call for real-time or on-line site-specific forecasting of the runoff. In this research, we present a new data-driven model called support vector machines (SVMs) based on structural risk minimization principle, which minimizes a bound on a generalized risk (error), as opposed to the empirical risk minimization principle exploited by conventional regression techniques (e.g. ANNs). Thus, this stat-of-the-art methodology for prediction combines excellent generalization property and sparse representation that lead SVMs to be a very promising forecasting method. Further, SVM makes use of a convex quadratic optimization problem; hence, the solution is always unique and globally optimal. To demonstrate the aforementioned forecasting capability of SVM, one-day lead stream flow of Bakhtiyari River in Iran was predicted using the local climate and rainfall data. Moreover, the results were compared with those of ANN and ANN integrated with genetic algorithms (ANN-GA) models. The improvements in root mean squared error (RMSE) and squared correlation coefficient (R²) by SVM over both ANN models indicate that the prediction accuracy of SVM is at least as good as that of those models, yet in some cases actually better, as well as forecasting of high-value discharges.     

图书文献经费的支持向量机组合预测

对灰色、神经网络和SVM（支持向量机）的3个预测模型进行了研究,以某图书馆1996年～2003年图书文献总经费为例,对图书文献总经费进行了预测,经过比较,SVM的预测方法精度较高。在分析组合预测特性的基础上,提出了对灰色系统、神经网络和SVM三种预测方法结果进行了线性组合预测方法和SVM的组合预测方法。与单一预测方法结果和线性组合预测进行对比,SVM组合预测方法比较精确。     

改进的支持向量机算法及其应用

支持向量机（SVM）算法应用于具有小样本特征的实际问题时是否能获得到良好的预测效果,取决于能否成功地设置该算法的关键参数,这一瓶颈问题一直阻碍着SVM在具有小样本特性的实际工程中的应用。在分析SVM回归估计方法参数性能的基础上,提出了以自适应粒子群算法（APSO）优化SVM关键参数的改进SVM算法,并以变电工程为背景给出了相应的工程造价预测模型。运用此模型,对某实际变电工程实例进行了造价预测仿真分析,并与传统的支持向量机算法进行比较,结果说明改进的支持向量机算法具有良好的变电工程造价预测精度,且速度较快。     

基于ARIMA与SVM的国际铀资源价格预测

由于国际铀资源价格时间序列数据的非线性性与非平稳性,使用单一的预测模型很难捕捉到其综合趋势。为了进一步提高模型的预测精度,建立了基于差分自回归移动平均（ARIMA）和支持向量机SVM的组合预测模型,并用PSO算法对SVM模型中的参数进行优化。将该方法应用于实际铀资源价格预测,并与单一的ARIMA模型和SVM模型进行比较。仿真实验结果表明,该组合预测模型实现了对铀资源价格数据更为准确的预测。     

几种机器学习方法在人脸识别中的性能比较

BP神经网络、RBF神经网络、支持向量机（SVM）和集成学习是目前应用最为广泛的四种机器学习方法。将这四种常用的机器学习方法分别应用于人脸识别,并利用ORL人脸图像库对各学习方法性能进行了测试和评估。测试结果表明SVM和集成学习在实验中取得了较好的性能,最适合用于人脸识别中特征分类器。     

最优加权组合法在电能短期负荷预测中的应用

通过把灰色系统GM(1,1)、SVM(支持向量机)和人工神经网络预测法进行最优加权组合,引入到电能短期负荷预测系统中,实现企业电能数据缺失的补缺功能。通过对斯洛伐克东部电力中心的历史数据进行试验分析,表明了该算法在电能短期负荷预测方面的有效性。     

Tax forecasting theory and model based on SVM optimized by PSO

The construction of tax forecasting model is difficult due to its uncertain, non-linear, dynamic and complicated characteristics. It is difficult to describe the non-linear characteristics of tax forecasting by traditional methods. In the study, the novel forecasting method based on the combination of support vector machine (SVM) and particle swarm optimization (PSO) is proposed to the tax forecasting. The non-linear relationship in tax forecasting is efficiently represented by support vector machine, and particle swarm optimization is used to select the training parameters of support vector machine. The tax forecasting model is constructed by support vector machine optimized by particle swarm optimization (PSVM) on the basis of research for the proposed forecasting model. The tax forecasting cases are used to testify the forecasting performance of the proposed model. The experimental results demonstrate that the proposed PSVM model has good forecasting performance.     

Support vector machine with adaptive parameters in financial time series forecasting

A novel type of learning machine called support vector machine (SVM) has been receiving increasing interest in areas ranging from its original application in pattern recognition to other applications such as regression estimation due to its remarkable generalization performance. This paper deals with the application of SVM in financial time series forecasting. The feasibility of applying SVM in financial forecasting is first examined by comparing it with the multilayer back-propagation (BP) neural network and the regularized radial basis function (RBF) neural network. The variability in performance of SVM with respect to the free parameters is investigated experimentally. Adaptive parameters are then proposed by incorporating the nonstationarity of financial time series into SVM. Five real futures contracts collated from the Chicago Mercantile Market are used as the data sets. The simulation shows that among the three methods, SVM outperforms the BP neural network in financial forecasting, and there are comparable generalization performance between SVM and the regularized RBF neural network. Furthermore, the free parameters of SVM have a great effect on the generalization performance. SVM with adaptive parameters can both achieve higher generalization performance and use fewer support vectors than the standard SVM in financial forecasting.